各类常用统计检验

P与SIG值

p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联 是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成 的。就是在这个样本集下，出现这种情况的概率，有的也写成统计显著性（sig）。

假设检验的两类错误

第一类错误：H0假设是真实正确的，但是假设检验却拒绝了H0；反第一类错误的原因是小概率事件也有可能发生，因此第一类错误发生的概率就是小概率事件发生的概率$\alpha$
第二类错误：H0假设是错误的，但是假设检验却接受了H0；产生原因是在一次抽样检验中没有发生不合理的结果。
我们希望两者的错误率越小越好，但是两者是一个此消彼长的关系，因为若减小$\alpha$那么第一类错误发生的概率减小了，但是假设检验判断为接受H0假设的概率增大了，所以第二类错误发生的概率增大了；反之一样。

U检验与T检验

单正态总体均值检验

理论上要求样本来自正态分布总体。但在实用时，只要样本例数n较大（利用中心极限定理），或n小但总体标准差σ已知时，就可应用u检验；n小且总体标准差σ未知时，可应用t检验，但要求样本来自正态分布总体。两样本均数比较时还要求两总体方差相等。

单正态总体均值和方差检验

知道总体方差${\sigma }^2$，检测总体均值$\mu$:
设$\bar{X}$为样本均值，${\mu }_0$是一已知常数；
H0:$\mu ={\mu }_0$;
这时候采用U统计量：
$U=\frac{\bar{X}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}\sim N(0,1)$
双边检验拒绝域在正态分布两端。
不知道总体方差${\sigma }^2$，检测总体均值$\mu$:
S是样本标准差；用T统计量：
$T=\frac{\bar{X}-{\mu }_0}{\frac{S}{\sqrt{n}}}\sim t(n-1)$
双边检验拒绝域在t分布两端。
总体方差检验
不管$\mu$知不知道，都可以用卡方检验，设${\sigma }_0$为已知常数，${\sigma }^2$为要检测得总体方差，H0：$\sigma ={\sigma }_0$
只不过统计量形式有不同：
已知时：${\chi }^2=\frac{1}{{\sigma }_0^2}{\sum }_{i=1}^n(X_i-\mu {)}^2\sim \chi (n)$
未知时：${\chi }^2=\frac{1}{{\sigma }_0^2}{\sum }_{i=1}^n(X_i-\bar{X}{)}^2=\frac{(n-1)S^2}{{\sigma }_0^2}\sim \chi (n-1)$

两个正态总体均值和方差检验

两个样本集合X、Y；
知道总体方差${\sigma }_X^2,{\sigma }_Y^2$，检测两总体均值是否相等:
H0：${\mu }_X={\mu }_Y$
利用U统计量：
$U=\frac{\bar{X}-\bar{Y}}{\sqrt{\frac{{\sigma }_X^2}{n_X}+\frac{{\sigma }_Y^2}{n_Y}}}\sim N(0,1)$
未知道总体方差，但是知道两个方差相等，检测两总体均值是否相等:
$T=\frac{\bar{X}-\bar{Y}}{S\sqrt{\frac{1}{n_X}+\frac{1}{n_Y}}}\sim t(n_X+n_Y-2)$
未知道总体方差，检测两总体均值是否相等:
$T=\frac{\bar{X}-\bar{Y}}{S_w\sqrt{\frac{1}{n_X}+\frac{1}{n_Y}}}\sim t(n_X+n_Y-2)$
其中：$S_w=\sqrt{\frac{(n_X-1)S_X^2+(n_Y-1)S_Y^2}{n_X+n_Y-2}}$

两正态总体得方差检验

与单个得检验不同，这里要用到F检验；
$F=\frac{\frac{1}{n_X}{\sum }_{i=1}^{n_X}(X_i-\bar{X})}{\frac{1}{n_Y}{\sum }_{i=1}^{n_Y}(Y_i-\bar{Y})}=\frac{S_X^2}{S_Y^2}\sim F(n_X-1,n_m-1)$

统计中经常会用到各种检验，如何，知道何时用什么检验呢：

t检验有单样本t检验，配对t检验和两样本t检验。
单样本t检验： 是用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。
配对t检验： 是采用配对设计方法观察以下几种情形，1，两个同质受试对象分别接受两种不同的处理；2,同一受试对象接受两种不同的处理；3，同一受试对象处理前后。
可能会感觉和两个正态总体均值的t检验一样，主要的区别就是这里的两个样本数据是具有一定的相关性的，主要检验的是不同的状态下的均值是否相等；而且要求两个样本数据数量相同，并且一一对应，这样计算他们的差值，得到一组差值数据，再运用单样本t检验，检验该组差值的均值是否为0.
u检验： t检验和就是统计量为t,u的假设检验，两者均是常见的假设检验方法。当样本含量n较大时，样本均数符合正态分布，故可用u检验进行分析。当样本含量n小时，若观察值x符合正态分布，则用t检验（因此时样本均数符合t分布），当x为未知分布时应采用秩和检验。

F检验又叫方差齐性检验 在两样本t检验中要用到F检验。
从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用t检验，若不等，可采用t’检验或变量变换或秩和检验等方法。
其中要判断两总体方差是否相等，就可以用F检验。 
简单的说就是检验两个样本的方差是否有显著性差异这是选择何种T检验（等方差双样本检验，异方差双样本检验）的前提条件。
在t检验中，如果是比较大于小于之类的就用单侧检验，等于之类的问题就用双侧检验。 
卡方检验 
是对两个或两个以上率（构成比）进行比较的统计方法，在临床和医学实验中应用十分广泛，特别是临床科研中许多资料是记数资料，就需要用到卡方检验。

方差分析
比较多个样本均数；

方差分析和F检验的联系

方差分析常用的有单因素和双因素的方差分析，查了很多资料，很多都说方差分析就是F检验，但是有些课本上又不是这样，最后以我的理解，方差分析是检验某个（某几个）因素对样本数据是否有影响，而里面最终用到的检验就是F检验，也就是说，方差分析里面用到了F检验，并不是说方差分析就是F检验。